基于 CNN-BiLSTM 混合模型的社交媒体自杀倾向检测增强技术
计算与语言
2025-11-14 v2 人工智能
计算机与社会
摘要
自杀倾向检测对于预防自杀具有重要意义，后者是全球死亡原因的首要原因之一。许多人会在社交媒体上表达自杀思想，这为通过先进机器学习技术进行早期检测提供了关键机会。通过利用卷积神经网络 (CNN) 和双向长短期记忆网络 (BiLSTM) 的混合框架集成卷积神经网络 (CNN) 和双向长短期记忆网络 (BiLSTM)，并增强了注意力机制，提高了对社交媒体文本中自杀倾向的识别。为增强模型预测的可解释性，应用了解释型人工智能 (XAI) 方法，特别是关注 SHapley Additive exPlanations (SHAP)。首先，该模型能够实现 92.81% 的准确率。通过应用 fine-tuning 和 early stopping 技术，准确率提高到 94.29%。SHAP 分析揭示了影响模型预测的关键特征，例如与精神健康挑战相关的术语。这种透明度既提升了模型的可信度，又帮助精神健康专业人员理解和信任模型的预测。该工作突显了提高检测自杀倾向准确性和可解释性的潜力，为精神健康监测系统的发展作出了重要贡献。它强调了将强大机器学习方法与可解释性相结合以开发可靠且有影响力的精神健康解决方案的重要性。
关键词
引用
@article{arxiv.2501.11094,
title = {Enhanced Suicidal Ideation Detection from Social Media Using a CNN-BiLSTM Hybrid Model},
author = {Mohaiminul Islam Bhuiyan and Nur Shazwani Kamarudin and Nur Hafieza Ismail},
journal= {arXiv preprint arXiv:2501.11094},
year = {2025}
}